自适应噪声消除算法的性能比较与仿真

在信号处理中,噪声往往是非平稳和随时间变化的,传统方法很难解决噪声背景中的信号提取问题.通过对自适应噪声消除原理的研究,介绍了基于参考信号和基于预测原理的两种自适应噪声消除(ANC,Adaptive Noise Cancellation)方法,分析对比了基于最小均方(S,Least Mean Squares)、递推最小二乘(RLS,Recursive Least Squares)和平方根自适应滤波(QR_RLS,recursive least squares based on QR decomposition)三种噪声消除算法的性能.仿真结果表明:这几种算法都能从高背景噪声中有效地抑制干扰提取出有用信号,显示出了良好的收敛性能.相比之下,RLS算法和QR_RLS算法呈现出更快的收敛速度、更强的稳定性和抑噪能力.     

LMS和RLS算法的研究与实现

自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一。寻求收敛速度快、计算复杂性低、数值稳定性好的自适应滤波算法是研究人员不断努力追求的目标。本文介绍了目前两种典型的自适应滤波算法,即最小均方（Least Mean Square,LMS）算法和递归最小二乘（Recursive Least Square,RLS）算法,并对这两种典型自适应滤波算法的性能特点进行分析及仿真实现,给出了算法性能的综合评价。     

基于预测码辅助的CDMA系统盲NBI抑制技术

在信号统计特性和训练序列未知的情况下,针对现存盲自适应最小均方(LMS,Least Mean Square)码辅助算法码分多址(CDMA,Code Division Multiple Access)系统强窄带干扰(NBI)进行抑制时稳态性能较差,以及盲自适应递归最小二乘(RLS,Recursive Least Square)码辅助算法收敛速度和性能难以折中的问题,提出盲自适应预测码辅助技术。盲自适应预测码辅助技术基于盲自适应RLS预测-LMS码辅助算法实现,实现了对三类NBI的抑制,包括音频干扰、数字窄带干扰和自回归(AR,Autoregressive)随机过程。本文详细分析了盲自适应RLS预测-LMS码辅助算法的性能,并通过仿真分析证明了算法的有效性。     

在DS-CDMA通信系统中盲多用户检测算法的研究

分析并研究了DS-CDMA(直扩码分多址)通信系统中的三种盲多用户检测算法,即最小均方(LMS)算法,递推最小二乘(RLS)以及Kalman算法。仿真实验了在平稳信道下、同步DS-CDMA系统中接收机应用这三种盲多用户检测算法抑制多址干扰(MAI)的能力,仿真实验与理论推导相吻合。实验与理论都表明,递推最小二乘(RLS)和Kalman算法能快速收敛、信干比大,尤其是Kalman算法收敛速度更快、信干比有更高的稳态输出,更具有实用性。     

基于自适应算法的去噪滤波仿真比较

介绍了自适应滤波器的基本原理,对最小均方算法(LMS)和递推最小二乘算法(RLS)这两种自适应算法进行了理论分析和仿真比较.模拟仿真结果和语音去噪系统均表明:两种算法都能有效滤除噪声干扰.相比之下,RLS算法具有更好的收敛性能和稳定性,权噪声小,抑噪能力强.     

一种基于MVSSLMS算法的改进及在语音增强上的应用

提出了一种改进的变步长LMS(Modified Variable Step Size Least Mean Squares)算法.用误差信号的自相关e(n)e(n-1)及均方误差e2(n)来调节自适应滤波算法的步长μ(n).仿真结果表明该算法的收敛速度更快,优于MVSSLMS算法,可以很好地应用于自适应系统中.最后,研究了改进算法在语音增强系统中的实现,从混噪语音中提取了原始语音信号.     

改进变步长LMS在组合学习结构预失真的研究

针对预失真间接学习结构易受加性噪声、模数转换（Analog to Digital Converter,ADC）量化噪声等影响,提出一种通过设置判别门限自适应切换直接学习结构和间接学习结构的组合学习结构数字预失真方案。该方案在直接学习结构中采用最小二乘法（Recursive Least Square,RLS）算法对参数进行快速粗估计,切换至间接学习结构时采用改进变步长最小均方（Least Mean Square,LMS）算法进一步提取参数。分析仿真表明,组合学习结构的预失真方案其线性化性能较间接学习结构有很大提升,且在算法收敛速度基本持平的情况下有效抑制了间接学习结构中的非相关噪声。     

基于NARX的SI发动机空燃比非线性模型预测控制

针对SI(Spark Ignition)发动机空燃比(AFR: Air-Fuel Ratio)控制精度低、无法自适应等问题, 提出了基于NARX(Nonlinear Auto Regressive model with eXogenous inputs) 模型的非线性模型预测控制(NMPC: Nonlinear Model Predict Control)方法。利用渐消记忆递推最小二乘(RLS: Recursive Least Squares)算法对NARX 模型进行辨识, 基于NARX 模型对SI 发动机的AFR 进行非线性模型预测控制。该方法辨识精度高, 可通过NARX 模型数学结构直接计算最优控制序列, 从而提高系统的控制精度。同时, 采用Matlab 对均值发动机模型(MVEM:Mean Value Engine Model)进行仿真实验, 并与采用Volterra 模型的PI(Proportional Integral)控制器算法进行对比。仿真结果证明, 该算法控制效果比基于Volterra 模型和传统的PI 控制器的控制效果超调量小, 调节时间短, 更加具有工程实际应用性。     

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。     

多重线性回归的最小二乘估计的递推算法

给出多重线性回归yi=β0+β1xil+…+βpxip+εi(i=1,2,…,n)的最小二乘估计的递推算法β(n)=β(n-1)=PnXn(yn-Xtnβ(n-1)Pn=Pn-1-Pn-1XnXtnPn-1β(0)=0,P0=αI(α>>1).这种算法是自适应的,也是均方收敛的.     

基于RLS的自回归滑动平均模型的两阶段辨识方法

提出了基于递推最小二乘(RLS)的自回归滑动平均模型的两阶段辨识方法.仿真结果表明,方法给出的参数估计精度比递推增广最小二乘算法高.     

卷积盲信号分离的非线性PCA方法

为解决卷积混合盲信号分离时域方法收敛速度慢的问题,提出了卷积情况下的非线性主分量分析(PCA)准则,并分析其与高阶统计量准则之间的等价关系,推导了一种解决卷积盲信号分离问题的非线性PCA方法。作为一种递推最小二乘(RLS)类型的算法,所提方法与现有的自然梯度算法和高阶统计量算法相比具有收敛速度快、跟踪性能好的优点,计算机仿真实验验证了算法的有效性。     

电力系统谐波分析的一种快速神经网络算法

提出了一种基于最小二乘递推法(RLS)的正交基神经网络算法来分析电力系统谐波参数.该方法根据谐波分析的特点,采用RLS训练神经网络权值,有效地避免了梯度下降法存在局部极小的问题,并且对降低噪声影响有显著作用.电力系统谐波分析的仿真结果表明,该算法经过一次神经网络训练即可获得各次谐波高精度的幅值和相位.     

一种改进的递推最小二乘盲多用户检测算法

为提高基于递推最小二乘(RLS)算法的盲多址干扰抑制检测器的稳态输出性能，根据空间正交投影算法和自适应判决反馈控制算法，提出一种基于RLS算法的自适应判决反馈盲干扰抑制检测器，该检测器在启动阶段，等价为一种基于RLS准则的盲干扰抑制检测器，在稳态收敛阶段，等价为一种有训练数据的RLS干扰抑制检测器．既保持了最小输出能量(MOE)检测器的全局收敛性，又具有最小均方误差检测器高输出信干比的优点．计算机仿真结果表明，该检测器性能优于已有的基于MOE准则的检测器，且能应用于时变信道．     

多步梯度下降的变步长NLMS算法

如何选取一个合适而可靠的步长来折中归一化最小均方(Normalized Least Mean Squares,NLMS)自适应算法的收敛速度以及稳态误差,一直是自适应NLMS算法应用中未能很好解决的问题.针对这个问题,本文提出了一种多步梯度下降的变步长NLMS自适应算法.分析表明:该算法在利用固定的小步长参数来保证小的稳态误差的同时,通过调整动量项来加速自适应算法的收敛速度,从而很好地解决了自适应NLMS算法应用中收敛速度和稳态误差的平衡问题.理论分析给出了调节动量项的步长参数和算法收敛性及稳态误差之间的关系.仿真结果证明了上述分析的正确性.     

基于梯度向量的变步长LMS算法

传统的最小均方误差(Least Mean Square)算法难以同时获得较快的收敛速度和较小的稳态误差。本文在对传统LMS算法、变步长LMS算法及其改进算法分析的基础上,通过建立步长参数与梯度向量之间的一种新的非线性函数关系,提出一种改进的变步长LMS算法。分析和仿真表明,改进后的算法收敛速度更快,均方误差更小,同时也具有良好的抗噪性能。     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

一种基于改进BFO和RLS的模糊建模方法

为了提高非线性系统的模糊建模精度,提出了一种基于改进的菌群优化算法(IBFO)和递推最小二乘(RLS)算法的模糊建模混合学习算法。该方法采用T-S模糊系统进行函数逼近,首先用改进的菌群优化算法优化模糊模型的前提参数,然后用递推最小二乘算法优化模糊模型的后件参数,实现对模糊模型全局参数的优化。对非线性系统、煤气炉数据和气动加载系统的建模表明,该方法在逼近精度方面优于其他方法。     

基于阻尼最小二乘法的鲁棒自校正预测控制器

本文将广义预测控制器（GPC）与阻尼最小二乘法（DLS）相结合,构成一种鲁棒自校正预测控制器．仿真结果表明,这种算法比基于通常的递推最小二乘法（RLS）的自校正预测算法有更强的鲁棒性．     

胎儿心电提取自适应滤波器仿真对比研究

为了提高胎儿心电(FECG)提取的准确性和效率,研究了采用最小均方算法、递归最小二乘(RLS)算法、仿射投影算法、能量归一化最小均方算法的四种自适应滤波器应用于FECG提取的速度和准确性.根据设计的基于MATLAB的FECG提取算法仿真分析了四种自适应滤波器的收敛速度与稳态性能的影响因素,并通过调整和优化FECG提取参数对四种自适应滤波器进行了仿真对比.研究结果表明,RLS算法自适应滤波器性能最优,可以快速准确地从母体心电中分离出FECG.